喜讯 | 深信科创与长安汽车AI Lab合作，在IEEE TIV发表《自然对抗安全关键测试场景生成》论文

近日，深信科创与长安汽车AI Lab合作完成的《Adversarial Safety-Critical Scenario Generation using Naturalistic Human Driving Priors》（利用人类自然驾驶先验条件生成对抗性安全关键场景）论文，被 IEEE Transactions on Intelligent Vehicles （简称：IEEE TIV）正式录用，获智能汽车领域权威学术期刊认可。IEEE TIV是自动驾驶领域影响力最大的期刊之一（影响因子8.41，《期刊引用报告》 JCR Q1区） ，主要收录智能汽车领域——尤其是自动驾驶汽车领域——的先进理论和技术应用论文。

论文链接：https://doi.org/10.1109/TIV.2023.3335862

论文针对自动驾驶车辆安全测试过程中，安全关键型场景稀少、难以获得等问题，提出了一种自然对抗安全关键测试场景生成的方法。该方法利用人类驾驶策略先验条件和强化学习技术，生成大规模真实且多样的挑战性测试场景。在技术实施上，研究人员首先建立自然交通流仿真环境用于模拟真实交通流交互场景；然后利用生成对抗模仿学习对人类驾驶策略进行建模；最后利用训练好的策略模型来设计自然对抗奖励函数，以对基于强化学习的自然对抗模型进行优化求解。

▲图1  一些非自然对抗场景示例▲

基于真实自动驾驶交通场景数据集，结合交通流建模与强化学习技术，论文提出如图2所示的自动驾驶自然对抗测试场景生成方法的整体框架，主要包括交通流仿真环境建模、人类驾驶策略建模与自然对抗行为策略建模三大部分。

▲图2 自动驾驶自然对抗测试场景生成方法的整体框架▲

01 交通流仿真环境建模

交通流仿真环境建模主要为训练自然对抗交通流模型提供训练环境，训练环境包括静态路网结构（车道、红绿灯、曲率等信息）和动态车辆运行状态（位置、速度、偏转角等信息）；仿真交通流既可通过模拟器随机生成，也可基于自然路采数据集进行仿真复现生成。

02 人类驾驶策略建模

通过利用GAIL（Generative Adversarial Imitation Learning 生成对抗模仿学习）算法训练自然交通流模型。研究人员可以利用GAIL框架对人类驾驶行为策略进行建模，通过生成器与判别器的不断对抗训练，生成器策略生成的数据分布会越来越接近真实的人类驾驶行为分布，从而实现对自然驾驶风格的建模。

03 自然对抗行为策略建模

进一步利用训练完成的自然交通流模型GAIL，来设计对抗测试场景生成算法。为了保证生成大量合理有效的自动驾驶测试场景，自然对抗场景生成算法既要保证智能体的对抗性，又要保证其在真实交通场景中的发生概率，即自然性，因此从自然性和对抗性两个方面来设计reward，以生成多样有效的对抗场景。

▲对抗场景生成示例▲

该方法的有效性在高速直道场景（NGSIM数据集）和城区十字路口场景（INTERACTION数据集）已被验证。与基线模型相比，在保证自然性和对抗性的同时，该方法将安全关键测试场景的生成效率提升了44%。

深信科创拥有良好的自动驾驶仿真技术基础，期待有更多志同道合的优秀人才加入，以及期待有需求的企业合作，欢迎与我们联系：商务合作邮箱[email protected]，人才招聘邮箱[email protected]。

硬核技术实力屡获认可

产品落地进度不断加速

在自动驾驶仿真的探索之路上

深信科创还会给大家带来哪些惊喜？

未来可期，我们一起见证

期待与您携手共创美好未来！

深信科创：致力于自动驾驶工业软件

深信科创是一家专注于提供自动驾驶仿真及智慧交通解决方案的国家高新技术企业。公司基于人工智能、软件测试、数字孪生与大数据等技术，一直致力于自动驾驶领域的研发和探索，拥有一支高素质的研发团队，自主研发了自动驾驶仿真及数据闭环工具链SYNKROTRON®  Oasis产品系列，能够提供高精度传感器模型、动力学模型及感知级交通环境仿真解决方案等，客户可以在仿真平台上对自动驾驶系统开展大规模的仿真测试和模型训练，提前识别自动驾驶系统缺陷、降低实车测试成本、消除场景端落地的安全隐患，加速无人驾驶技术在场景端的安全落地。

更多学习资料、产品试用和社群交流请联系微信：synkrotron1

预约产品试用/技术交流：

手机端： https://synkrotron.ai/vue3/dist/index.html#/appoint_mobile

电脑端： https://synkrotron.ai/vue3/dist/index.html#/appoint_desktop